<\/p>\n
Una media mobile<\/strong> \u00e8 una tecnica che pu\u00f2 essere utilizzata per livellare i dati delle serie temporali per ridurre il “rumore” nei dati e identificare pi\u00f9 facilmente modelli e tendenze.<\/span><\/p>\n L’idea alla base di una media mobile \u00e8 quella di prendere la media di un numero di periodi precedenti per arrivare ad una “media mobile” per un dato periodo.<\/span><\/p>\n Questo tutorial spiega come calcolare le medie mobili in Python.<\/span><\/p>\n Supponiamo di avere la seguente tabella che mostra le vendite totali di una determinata azienda in 10 periodi:<\/span><\/p>\n Metodo 1: utilizzare la funzione cumsum().<\/strong><\/span><\/p>\n Un modo per calcolare la media mobile \u00e8 utilizzare la funzione cumsum():<\/span><\/p>\n Ecco come interpretare il risultato:<\/span><\/p>\n E cos\u00ec via.<\/span><\/p>\n Metodo 2: usa i panda.<\/strong><\/span><\/p>\n Un altro modo per calcolare la media mobile \u00e8 scrivere una funzione basata sui panda:<\/span><\/p>\n Questo metodo produce esattamente gli stessi risultati del metodo precedente, ma tende a funzionare pi\u00f9 velocemente su array pi\u00f9 grandi.<\/span><\/p>\n Tieni presente che puoi anche specificare un numero qualsiasi di periodi precedenti da utilizzare nel calcolo della media mobile. Ad esempio, potresti preferire utilizzare n=5:<\/span><\/p>\n Pi\u00f9 periodi utilizzi per calcolare la media mobile, pi\u00f9 \u201csmussata\u201d sar\u00e0 la linea della media mobile.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Una media mobile \u00e8 una tecnica che pu\u00f2 essere utilizzata per livellare i dati delle serie temporali per ridurre il “rumore” nei dati e identificare pi\u00f9 facilmente modelli e tendenze. L’idea alla base di una media mobile \u00e8 quella di prendere la media di un numero di periodi precedenti per arrivare ad una “media mobile” […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Esempio: medie mobili in Python<\/strong><\/span><\/h3>\n
x = [50, 55, 36, 49, 84, 75, 101, 86, 80, 104]\n<\/strong><\/pre>\n
import<\/span> numpy as<\/span> np\n\n#define moving average function<\/span>\ndef<\/span> moving_avg(x, n):\n cumsum = np.cumsum(np.insert(x, 0, 0)) \n return<\/span> (cumsum[n:] - cumsum[:-n]) \/ float(n)\n\n#calculate moving average using previous 3 time periods\n<\/span>n = 3\nmoving_avg(x, n):\n\narray([47, 46.67, 56.33, 69.33, 86.67, 87.33, 89, 90])\n<\/strong><\/pre>\n\n
import<\/span> pandas as<\/span> pd\n\n#define array to use and number of previous periods to use in calculation<\/span>\nx = [50, 55, 36, 49, 84, 75, 101, 86, 80, 104]\nn=3\n\n#calculate moving average<\/span>\npd.Series(x).rolling(window=n).mean().iloc[n-1:].values\n\narray([47, 46.67, 56.33, 69.33, 86.67, 87.33, 89, 90])\n<\/strong><\/pre>\n #use 5 previous periods to calculate moving average<\/span>\nn=5\n\n#calculate moving average<\/span>\npd.Series(x).rolling(window=n).mean().iloc[n-1:].values\n\narray([54.8, 59.8, 69., 79., 85.2, 89.2])<\/strong><\/pre>\n